论文部分内容阅读
近年来随着智能手机的普及,移动设备的硬件水平有了大幅度的提高,甚至在某些指标上已经能赶上或超越低端PC。因而,在这些设备上实现复杂的计算机视觉算法正在变得可能。随着虚拟现实、视觉导航等移动设备上计算机视觉应用的不断发展,在嵌入式等移动设备上实现计算机视觉算法需求日益迫切。图像识别作为模式识别和计算机视觉领域的基础研究课题,对其进行深入研究,特别是适应于移动设备的图像识别算法研究具有重要的研究价值。基于图像匹配的图像识别因其识别准确率高、稳定性好的优势而受到了越来越多研究者的关注。而图像匹配又离不开图像特征的提取与匹配搜索,如何更加快速的实现对图像特征的提取以及精确地、快速的匹配成为移动设备上图像识别应用中的关键环节。近些年学者提出了许多图像特征提取算法,但是要达到移动设备上对特征匹配的高精度和实时性的要求,仍然是一个需要继续研究的问题。本文以实现移动设备上的实时图像识别为目的,分别从图像的局部特征提取、特征描述和特征的快速搜索匹配三个方面进行了研究；最后在Android平台上对其进行了完整实现并系统的评价了本文算法的性能。本文的主要研究内容和创新成果如下：(1)针对AGAST特征点检测算法存在的鲁棒性差、不具有尺度与旋转不变性的问题,本文结合尺度空间理论与旋转不变性理论对其进行了改进。改进后的特征点不仅包含了尺度与方向信息,而且定位精度更高,鲁棒性有了明显改善。(2)提出了采用基于学习的二值描述子进行图像匹配能很好的克服在特征描述阶段描述子独特性与实时性的矛盾,并针对改进的AGAST检测算法对Binboost描述子进行了相应的适应性改进,提出了改进的尺度与旋转不变性Binboost描述子。(3)针对特征匹配过程中线性搜索的低效率和最近邻搜索存在的“维数灾难”问题,提出了采用近似最近邻查询算法实现对特征点的高速匹配,并使用汉明空间LSH算法对其进行了实现。(4)设计了针对Android平台的实时图像识别框架并对其进行了实现。